マルチエージェント相互作用システムは、純粋な物理系から複雑な社会動的システムに至るまで、現実世界に広く存在している。多くの応用において、相互作用するエージェントの状況理解および正確な軌道予測は、意思決定や計画といった下流タスクにおいて重要な役割を果たす。本論文では、複数の異種かつ相互作用するエージェント間における潜在的相互作用グラフを用いて、明示的な関係構造の認識と予測を実現する汎用的な軌道予測フレームワーク（EvolveGraph）を提案する。将来の行動における不確実性を考慮し、モデルは複数のモードにわたる予測仮説を提供するように設計されている。また、潜在的な相互作用は急激な変化を伴って進化する可能性があるため、異なる進化モードが異なる結果をもたらすことがあり、動的な関係推論および相互作用グラフの適応的進化の必要性を明確にしている。さらに、学習効率の向上と収束の加速を実現するとともに、モデル性能の向上を図る二段階学習パイプラインを導入している。提案手法は、合成物理シミュレーションおよび複数の実世界ベンチマークデータセット（さまざまな分野にわたる）を用いて評価された。実験結果から、本手法が予測精度において最先端の性能を達成していることが示された。